学习含潜在因子的时间序列依赖图
机器学习
2012-05-02 v4
摘要
本文考虑从样本中学习一个线性随机微分方程系统的依赖结构的问题，其中部分变量是潜在的。具体而言，我们观测到某些变量的时间演化，而从未观测到其他变量；由此，我们希望找到观测变量之间的依赖结构——分离出由潜在变量时间序列(被边缘化)引起的虚假相互作用。当潜在变量数量少于观测变量数量时，我们开发了一种基于凸优化的新方法来实现这一点。对于观测变量之间依赖结构稀疏的情况，我们从理论上建立了结构恢复的高维标度结果。我们通过合成数据和真实数据(来自股票市场)验证了我们的理论结果。
引用
@article{arxiv.1106.1887,
title = {Learning the Dependence Graph of Time Series with Latent Factors},
author = {Ali Jalali and Sujay Sanghavi},
journal= {arXiv preprint arXiv:1106.1887},
year = {2012}
}